CN114325433A - 基于电化学阻抗谱测试的锂离子电池故障检测方法和系统 - Google Patents
基于电化学阻抗谱测试的锂离子电池故障检测方法和系统 Download PDFInfo
- Publication number
- CN114325433A CN114325433A CN202111470850.4A CN202111470850A CN114325433A CN 114325433 A CN114325433 A CN 114325433A CN 202111470850 A CN202111470850 A CN 202111470850A CN 114325433 A CN114325433 A CN 114325433A
- Authority
- CN
- China
- Prior art keywords
- impedance spectrum
- lithium ion
- fault
- battery
- ion battery
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001453 impedance spectrum Methods 0.000 title claims abstract description 269
- 238000012360 testing method Methods 0.000 title claims abstract description 121
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 title claims abstract description 107
- 229910001416 lithium ion Inorganic materials 0.000 title claims abstract description 107
- 238000001514 detection method Methods 0.000 title claims abstract description 91
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 123
- 238000000034 method Methods 0.000 claims abstract description 61
- 238000013135 deep learning Methods 0.000 claims abstract description 51
- 238000005070 sampling Methods 0.000 claims abstract description 32
- 238000004458 analytical method Methods 0.000 claims abstract description 31
- 230000002159 abnormal effect Effects 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims description 36
- 238000013528 artificial neural network Methods 0.000 claims description 28
- 230000008569 process Effects 0.000 claims description 24
- 238000013527 convolutional neural network Methods 0.000 claims description 16
- 238000000157 electrochemical-induced impedance spectroscopy Methods 0.000 claims description 15
- 238000013136 deep learning model Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000007547 defect Effects 0.000 claims description 7
- 230000005284 excitation Effects 0.000 claims description 7
- 238000004519 manufacturing process Methods 0.000 claims description 7
- 238000003062 neural network model Methods 0.000 claims description 7
- 238000013450 outlier detection Methods 0.000 claims description 7
- 125000004122 cyclic group Chemical group 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 230000009189 diving Effects 0.000 claims description 5
- 238000001035 drying Methods 0.000 claims description 3
- 239000003792 electrolyte Substances 0.000 claims description 3
- 239000007788 liquid Substances 0.000 claims description 3
- 238000009659 non-destructive testing Methods 0.000 abstract description 3
- 238000004146 energy storage Methods 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 3
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 238000001566 impedance spectroscopy Methods 0.000 description 2
- 229910052744 lithium Inorganic materials 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000007772 electrode material Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001125 extrusion Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000008961 swelling Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Landscapes
- Tests Of Electric Status Of Batteries (AREA)
Abstract
本发明涉及了一种基于电化学阻抗谱测试的锂离子电池故障检测方法和系统,该方法包括电化学阻抗谱测试步骤、基于深度学习的阻抗谱分析步骤和故障检测步骤,通过快速电化学阻抗谱测试提高电化学阻抗谱采样速率,再利用深度学习的图像识别算法或故障检测算法对电化学阻抗谱进行训练,通过训练后的模型对实时测量阻抗谱进行分析,辨识锂离子电池阻抗谱异常情况与异常类型,实现锂离子电池的无损检测,保障检测的有效度与可靠性。
Description
技术领域
本发明涉及锂离子电池检测技术领域,具体涉及一种基于电化学阻抗谱测试的锂离子电池故障检测方法和系统。
背景技术
锂离子电池自上世纪被发明以来,在新能源汽车动力系统、储能系统等领域获得了大范围应用和推广。截止2020年底,我国的电动汽车保有量超过100万量,均依赖于高性能锂离子电池系统,锂电储能系统也大范围推广,兆瓦时、吉瓦时级锂电储能系统也逐渐落地应用。然而,锂离子电池在使用过程中通常存在漏液、挤压等问题,易引发锂离子电池安全问题,导致电池出现热失控,并引发系统崩溃、火灾等严重后果。目前,针对锂离子电池故障失效检测仍存在难题,在不拆解电池的条件下难以对电池进行无损检测,同时也无法保障检测的有效度与可靠性。
发明内容
本发明针对目前锂离子电池故障失效检测存在的技术难题,提供了一种基于电化学阻抗谱测试的锂离子电池故障检测方法,通过快速电化学阻抗谱测试提高电化学阻抗谱采样速率,通过深度学习的图像识别算法对电化学阻抗谱进行训练,由训练后的模型对实时测量阻抗谱进行分析,辨识锂离子电池阻抗谱异常情况与异常类型,实现锂离子电池的无损检测,保障检测的有效度与可靠性。本发明还涉及基于电化学阻抗谱测试的锂离子电池故障检测系统。
本发明的技术方案如下:
一种基于电化学阻抗谱测试的锂离子电池故障检测方法,其特征在于,包括下述步骤:
电化学阻抗谱测试步骤,通过动态工况测试、实车测试或人为制造缺陷故障的方式获取已知故障的锂离子电池,采用电化学阻抗谱快速采集板对正常状态的锂离子电池与已知故障的锂离子电池进行快速电化学阻抗谱测试,优化阻抗谱测试过程,提高阻抗谱绘制速度;
基于深度学习的阻抗谱分析步骤,建立深度学习算法模型,将获取的已知故障的锂离子电池及采集的已知正常状态的锂离子电池的阻抗谱形成样本集,按样本抽样方法划分为训练集与测试集,将训练集作为输入用于算法模型训练过程,将测试集作为输入用于检验算法准确度,通过深度学习的图像识别算法或故障检测算法对电化学阻抗谱进行学习得到训练好的深度学习模型,实现正常电池阻抗谱与故障电池阻抗谱的辨识;
故障检测步骤,实时采集获取待测锂离子电池的电化学阻抗谱,将其输入至训练好的深度学习模型中进行阻抗谱辨识,判断待测锂离子电池状态是正常电池或故障电池。
优选地,所述电化学阻抗谱测试步骤采用优化阻抗测试点采样间隔及数量方法,通过减少低频段阻抗谱采样点并增大采样点间频率范围,放大阻抗谱激励信号倍率,以优化阻抗谱测试过程;
或,所述电化学阻抗谱测试步骤采用离散区间二进制序列脉冲信号在同一时刻进行频率叠加分析的方式优化阻抗谱测试过程。
优选地,所述基于深度学习的阻抗谱分析步骤采用的深度学习的图像识别算法包括基于图像识别的卷积神经网络算法或故障检测算法,所述基于图像识别的卷积神经网络算法是指,将采集到的电化学阻抗谱曲线以图片形式进行输入,通过卷积神经网络算法实现图像特征识别,通过辨识低频段、中频段、高频段的图像特征及飘移,实现正常电池阻抗谱与故障电池阻抗谱的辨识;所述故障检测算法,是指将电化学阻抗谱数据以数据矩阵的形式输入,通过离群检测、分类检测算法,对各电化学阻抗谱的离散程度进行评估,从而筛选得到离群的电化学阻抗谱,即为故障电池。
优选地,所述基于深度学习的阻抗谱分析步骤采用的深度学习的图像识别算法还包括基于时间序列的神经网络算法,将采集到的电化学阻抗谱以频率—阻抗阵列形式进行输入,通过时序神经网络、循环神经网络算法进行数值特征辨识,通过对比不同频率点下阻抗的偏离,实现正常电池阻抗谱与故障电池阻抗谱的辨识。
优选地,所述电化学阻抗谱测试步骤获取的是已知明确故障类型的锂离子电池,所述基于深度学习的阻抗谱分析步骤是将获取的已知故障类型的锂离子电池及采集的已知正常状态的锂离子电池的阻抗谱曲线簇作为电化学阻抗谱数据集构建训练集与测试集,基于所述电化学阻抗谱数据集训练得到的神经网络模型实现明确故障类型的异常电池辨识。
优选地,所述已知故障包括漏液、鼓胀、内短路、容量跳水故障、内阻异常增大、电解液干涸。
一种基于电化学阻抗谱测试的锂离子电池故障检测系统,其特征在于,包括依次连接的电化学阻抗谱测试模块、阻抗谱分析模块和故障检测模块,
所述电化学阻抗谱测试模块,通过动态工况测试、实车测试或人为制造缺陷故障的方式获取已知故障的锂离子电池,采用电化学阻抗谱快速采集板对正常状态的锂离子电池与已知故障的锂离子电池进行快速电化学阻抗谱测试,优化阻抗谱测试过程,提高阻抗谱绘制速度;
阻抗谱分析模块,建立深度学习算法模型,将获取的已知故障的锂离子电池及采集的已知正常状态的锂离子电池的阻抗谱形成样本集,按样本抽样方法划分为训练集与测试集,将训练集作为输入用于算法模型训练过程,将测试集作为输入用于检验算法准确度,通过深度学习算法的图像识别算法或故障检测算法对电化学阻抗谱进行学习得到训练好的深度学习模型,实现正常电池阻抗谱与故障电池阻抗谱的辨识;
故障检测模块,实时采集获取待测锂离子电池的电化学阻抗谱,将其输入至训练好的深度学习模型中进行阻抗谱辨识,判断待测锂离子电池状态是正常电池或故障电池。
优选地,所述电化学阻抗谱测试模块采用优化阻抗测试点采样间隔及数量方法,通过减少低频段阻抗谱采样点并增大采样点间频率范围,放大阻抗谱激励信号倍率,以优化阻抗谱测试过程;
或,所述电化学阻抗谱测试模块采用离散区间二进制序列脉冲信号在同一时刻进行频率叠加分析的方式优化阻抗谱测试过程。
优选地,所述阻抗谱分析模块采用的深度学习算法包括基于图像识别的卷积神经网络算法或故障检测算法,所述基于图像识别的卷积神经网络算法,指将采集到的电化学阻抗谱曲线以图片形式进行输入,通过卷积神经网络算法实现图像特征识别,通过辨识低频段、中频段、高频段的图像特征及飘移,实现正常电池阻抗谱与故障电池阻抗谱的辨识;所述故障检测算法,是指将电化学阻抗谱数据以数据矩阵的形式输入,通过离群检测、分类检测算法,对各电化学阻抗谱的离散程度进行评估,从而筛选得到离群的电化学阻抗谱,即为故障电池。
优选地,所述阻抗谱分析模块采用的深度学习算法还包括基于时间序列的神经网络算法,将采集到的电化学阻抗谱以频率—阻抗阵列形式进行输入,通过时序神经网络、循环神经网络算法进行数值特征辨识,通过对比不同频率点下阻抗的偏离,实现正常电池阻抗谱与故障电池阻抗谱的辨识。
本发明的技术效果如下:
本发明涉及了一种基于电化学阻抗谱测试的锂离子电池故障检测方法,包括电化学阻抗谱测试步骤以及相互结合的基于深度学习的阻抗谱分析步骤,基于采样点优化方法提高电化学阻抗谱采样速率,通过深度学习的图像识别算法或故障检测算法基于已知故障的锂离子电池的阻抗谱进行预训练,通过训练后的模型对实时测量阻抗谱进行分析,辨识锂离子电池阻抗谱异常情况与异常类型,实现锂离子电池的无损检测,通过快速电化学阻抗谱采集与基于深度学习的图像辨识方法,能够在不拆解电池组或单体电池的条件下即可通过外部采集的锂离子电池阻抗谱,实现电池可能存在的故障诊断,提供了一种锂离子电池无损检测方法,为车载储能系统和锂电储能系统的故障诊断、故障定位提供参考。
本发明还涉及一种基于电化学阻抗谱测试的锂离子电池故障检测系统,与上述的基于电化学阻抗谱测试的锂离子电池故障检测方法相对应,可以理解为是实现上述基于电化学阻抗谱测试的锂离子电池故障检测方法的系统,该系统包括依次连接的电化学阻抗谱测试模块、阻抗谱分析模块和故障检测模块,各模块协同工作,通过快速电化学阻抗谱采集与基于深度学习的图像辨识方法或故障检测算法,能够在不拆解电池组或单体电池的条件下检测电池故障,实现锂离子电池的无损故障检测,并可以实现电池组系统内每个单体电池的逐一检测,实现精确故障电池定位与故障类型描述。
附图说明
图1为本发明基于电化学阻抗谱测试的锂离子电池故障检测方法的流程图。
图2为本发明基于电化学阻抗谱测试的锂离子电池故障检测方法的优选流程图。
图3a—3c均为实验测试采集的锂离子电池电化学阻抗谱示意图。
具体实施方式
下面结合附图进一步对本发明进行详细说明。
本发明涉及了一种基于电化学阻抗谱测试的锂离子电池故障检测方法,如图1所示流程,该方法包括:电化学阻抗谱测试步骤,通过动态工况测试、实车测试或人为制造缺陷故障的方式获取已知故障的锂离子电池,采用电化学阻抗谱快速采集板对正常状态的锂离子电池与已知故障的锂离子电池进行快速电化学阻抗谱测试,优化阻抗谱测试过程,提高阻抗谱绘制速度,即通过优化电化学阻抗谱测试点分布实现电化学阻抗谱快速采集;基于深度学习的阻抗谱分析步骤,建立深度学习算法模型,将获取的已知故障的锂离子电池及采集的已知正常状态的锂离子电池的阻抗谱所构建的样本集抽样划分为训练集与测试集,将训练集作为输入用于算法模型训练过程,将测试集作为输入用于检验算法准确度,通过深度学习的图像识别算法对电化学阻抗谱进行图像学习得到训练好的深度学习模型,实现正常电池阻抗谱与故障电池阻抗谱的辨识,该步骤实质是建立基于深度学习方法的故障检测模型,通过辨识异常阻抗谱曲线实现故障电池诊断与故障类别辨识;故障检测步骤,实时采集获取待测锂离子电池的电化学阻抗谱,将其输入至训练好的深度学习模型中进行阻抗谱辨识,判断待测锂离子电池状态是正常电池或故障电池。本发明旨在针对动力电池系统在线无损检测难题及故障检测难题提供可行的解决方案,主要目标为基于动力电池电化学阻抗谱曲线特征,建立快速电化学阻抗谱测试方法,结合深度学习的图像识别算法实现系统故障检测。本发明综合考虑电池黑箱模型(大数据方法—深度学习)和白箱模型(电化学阻抗谱),结合大数据方法在图像处理等方面的优势,实现具有普适性的动力电池在线故障检测方法和系统,提供电池监控与管理能力。
图2为本发明基于电化学阻抗谱测试的锂离子电池故障检测方法的优选流程图。电化学阻抗谱测试步骤,进行快速电化学阻抗谱测试,即在线电化学阻抗谱测试,通过优化阻抗谱测试过程提高阻抗谱绘制速度,为后续深度学习方法等提供数据支撑。通过动态工况测试、实车测试或人为制造缺陷故障的方式获取已知故障的锂离子电池,所涉及的电池故障,包括漏液、鼓胀、内短路、容量跳水、内阻异常增大、电解液干涸电极材料损失导致的内阻增大等,采用电化学阻抗谱快速采集板对正常状态的锂离子电池与已知故障的锂离子电池进行快速电化学阻抗谱测试,所述的电化学阻抗谱包括:采集频率,电池复阻抗(Z,Z`,Z``)等信息;所述电化学阻抗谱快速采集板包括便携式电化学工作站或嵌入式开发平台,或能满足不同频率下正弦信号电流信号输入与高精度电压信号采集的设备、开发板等;即基于电化学工作站的测试,优化阻抗谱测试过程,包括优化阻抗测试点采样间隔及数量,或通过离散区间二进制序列脉冲信号(DIBS)方法在同一时刻进行频率叠加分析等多种方法,得到已知故障下锂离子电池电化学阻抗谱,将阻抗谱以连续点列形式存储,再将阻抗谱离散化。对于优化阻抗测试点采样间隔及数量方法,通过减少低频段阻抗谱采样点并增大采样点间频率范围,可以有效改善阻抗谱检测速度;此外,通过放大阻抗谱激励信号倍率,可以在不影响阻抗谱特性的条件下优化检测速度并保真。对于离散区间二进制序列脉冲信号(DIBS)方法,则是经过良好设计的周期性激励信号能够在频域中更好地获得动态系统的信息,属于二进制多频信号,通过不增加信号时域幅值的基础上使尽可能多的能量集中到指定的频率点上,从而在同一时刻采集多频率输入下的响应,提高阻抗谱采集速度。
基于深度学习的阻抗谱分析步骤,是指建立深度学习算法模型,将已知故障电池及已知正常电池的阻抗谱共同形成样本集,针对整个样本集按样本抽样方法划分为训练集与测试集,优选的样本抽样方法包括随机抽样方法、交叉验证法、留出法、自助法等各类训练集划分方法;将训练集作为输入用于算法模型训练过程,将测试集作为输入用于检验算法准确度,通过深度学习算法对电化学阻抗谱模型进行图像学习,实现正常电池阻抗谱与故障电池阻抗谱的辨识。所述的深度学习算法模型,可以包括以多对象时空离群检测算法为代表的各类聚类算法、以支持向量机为代表的各类分类算法、以Logistics回归为代表的各类推荐算法等、以卷积神经网络为代表的图像识别算法等;优选地,所涉及基于深度学习的阻抗谱分析方法,包括基于图像识别的神经网络算法、故障检测算法和基于时间序列的神经网络算法。对于基于图像识别的神经网络算法,是将采集到的电化学阻抗谱曲线以图片形式进行输入,通过卷积神经网络等算法实现图像特征识别,通过辨识低频段、中频段、高频段的图像特征及飘移,实现正常电池阻抗谱与故障电池阻抗谱的辨识。对于基于故障检测算法,是指将电化学阻抗谱数据以数据矩阵的形式输入,通过离群检测、分类检测等算法,对各电化学阻抗谱的离散程度进行评估,从而筛选得到离群的电化学阻抗谱,即故障电池。对于基于时间序列的神经网络算法,是将采集到的电化学阻抗谱以频率-阻抗阵列形式进行输入,通过时序神经网络、循环神经网络等算法进行数值特征辨识,通过对比不同频率点下阻抗的偏离等,实现正常电池阻抗谱与故障电池阻抗谱的辨识。故该步骤为基于神经网络算法的阻抗谱学习与分析,优选基于循环神经网络算法进行图像学习,当算法达到收敛条件则获得训练好的神经网络模型(深度学习算法模型)。
故障检测步骤,是基于电化学阻抗谱的故障检测,即基于快速电化学阻抗谱测试的电池故障诊断,该步骤实时采集获取待测电池的电化学阻抗谱,将其输入至训练好的深度学习算法模型中,并由模型进行阻抗谱辨识,判断待测电池状态是正常电池或故障电池。
本发明所采用的用于构建训练集与测试集的电化学阻抗谱数据集,可通过采集已知正常电池与已知存在故障的电池构成,基于该类数据集训练得到的神经网络可实现正常电池与故障电池的辨识,但无法明确电池故障类型;优选地,本发明所采用的构建训练集与测试集的电化学阻抗谱数据集,可通过采集已知正常电池与已知明确故障类型电池的阻抗谱曲线簇构成,基于该类数据集训练得到的神经网络模型可实现明确故障类型的异常电池辨识。
以具体实施例进行说明:
步骤一:电化学阻抗谱测试步骤,进行快速电化学阻抗谱测试。
在本实施例中,已知故障的锂离子电池也通过实验方法获取,通过增大电池循环倍率促进电池老化,使部分电池发生容量跳水行为,导致其存在容量故障。如图3a—3c所示的实验测试采集的锂离子电池电化学阻抗谱示意图,图3a为正常状态下电池,图3b和图3c均为容量故障电池。将正常状态下电池与已知故障条件下电池进行快速电化学阻抗谱测试,通过提高电化学工作站输出信号幅值倍率、减少低频段阻抗测试点,以提高阻抗谱检测速度,将原检测速度约1小时/次减少至3~4分钟,并尽可能保有原曲线质量。
步骤二:基于深度学习的阻抗谱分析步骤,基于深度学习的阻抗谱分析。
将正常电池与故障电池的电化学阻抗谱与电池状态耦合,形成数据矩阵输入到循环神经网络算法中进行训练。按某种比例将原始数据集进行抽样,划分为训练集与测试集,比例分别为X%和1-X%,在本实施例中,训练集比例为60%,测试集比例为40%。此外,也可采用交叉训练法、正交法等构建训练集与测试集。随后利用输入的数据矩阵对循环神经网络算法进行训练,以最终输出的电池状态准确程度作为评价指标反馈至网络中用于参考。训练好的神经网络算法应具备一定的泛化能力,可实现非训练集下阻抗谱输入的电池故障辨识。在本实施例中,进行电化学阻抗谱测量的锂离子电池应不处于工作状态或工作后静置30min以上,以保证采集获得的阻抗谱具有较好精度。
步骤三:故障检测步骤,基于电化学阻抗谱的故障检测。
将训练好的深度学习模型(也可称为是神经网络模型)写入控制器,通过在线高速采集电池电化学阻抗谱将其输入至神经网络模型内,通过算法模型泛化结果,实现对存在故障的锂离子电池辨识。例如对某个存在容量跳水故障的电池输入至模型中,神经网络模型通过对比训练结果对比分析输入阻抗谱的特征,实现容量跳水故障的辨识。
本发明涉及的基于快速电化学阻抗谱测试的锂离子电池故障检测方法,通过快速电化学阻抗谱采集与基于深度学习的图像辨识方法,能够在不拆解电池组或单体电池的条件下检测电池故障,实现锂离子电池的无损故障检测。
本发明还涉及一种基于电化学阻抗谱测试的锂离子电池故障检测系统,与上述的基于电化学阻抗谱测试的锂离子电池故障检测方法相对应,可以理解为是实现上述基于电化学阻抗谱测试的锂离子电池故障检测方法的系统,该系统包括依次连接的电化学阻抗谱测试模块、阻抗谱分析模块和故障检测模块,其中,电化学阻抗谱测试模块,通过动态工况测试、实车测试或人为制造缺陷故障的方式获取已知故障的锂离子电池,采用电化学阻抗谱快速采集板对正常状态的电池与已知故障的锂离子电池进行快速电化学阻抗谱测试,优化阻抗谱测试过程,提高阻抗谱绘制速度;阻抗谱分析模块,建立深度学习算法模型,将获取的已知故障的锂离子电池及采集的已知正常状态的锂离子电池的阻抗谱形成样本集,按样本抽样方法划分为训练集与测试集,将训练集作为输入用于算法模型训练过程,将测试集作为输入用于检验算法准确度,通过深度学习算法的图像识别算法或故障检测算法对电化学阻抗谱进行学习得到训练好的深度学习模型,实现正常电池阻抗谱与故障电池阻抗谱的辨识;故障检测模块,实时采集获取待测锂离子电池的电化学阻抗谱,将其输入至训练好的深度学习模型中进行阻抗谱辨识,判断待测锂离子电池状态是正常电池或故障电池。
进一步地,电化学阻抗谱测试模块采用优化阻抗测试点采样间隔及数量方法,通过减少低频段阻抗谱采样点并增大采样点间频率范围,放大阻抗谱激励信号倍率,以优化阻抗谱测试过程;或,所述电化学阻抗谱测试模块采用离散区间二进制序列脉冲信号在同一时刻进行频率叠加分析的方式优化阻抗谱测试过程。
进一步地,阻抗谱分析模块采用的深度学习算法包括基于图像识别的卷积神经网络算法或故障检测算法,所述基于图像识别的卷积神经网络算法,指将采集到的电化学阻抗谱曲线以图片形式进行输入,通过卷积神经网络算法实现图像特征识别,通过辨识低频段、中频段、高频段的图像特征及飘移,实现正常电池阻抗谱与故障电池阻抗谱的辨识。所述故障检测算法,是指将电化学阻抗谱数据以数据矩阵的形式输入,通过离群检测、分类检测等算法,对各电化学阻抗谱的离散程度进行评估,从而筛选得到离群的电化学阻抗谱,即故障电池。
进一步地,所述阻抗谱分析模块采用的深度学习算法还包括基于时间序列的神经网络算法,将采集到的电化学阻抗谱以频率—阻抗阵列形式进行输入,通过时序神经网络、循环神经网络算法进行数值特征辨识,通过对比不同频率点下阻抗的偏离等,实现正常电池阻抗谱与故障电池阻抗谱的辨识。
应当指出,以上所述具体实施方式可以使本领域的技术人员更全面地理解本发明创造,但不以任何方式限制本发明创造。因此,尽管本说明书参照附图和实施例对本发明创造已进行了详细的说明,但是,本领域技术人员应当理解,仍然可以对本发明创造进行修改或者等同替换,总之,一切不脱离本发明创造的精神和范围的技术方案及其改进,其均应涵盖在本发明创造专利的保护范围当中。
Claims (10)
1.一种基于电化学阻抗谱测试的锂离子电池故障检测方法,其特征在于,包括下述步骤:
电化学阻抗谱测试步骤,通过动态工况测试、实车测试或人为制造缺陷故障的方式获取已知故障的锂离子电池,采用电化学阻抗谱快速采集板对正常状态的锂离子电池与已知故障的锂离子电池进行快速电化学阻抗谱测试,优化阻抗谱测试过程,提高阻抗谱绘制速度;
基于深度学习的阻抗谱分析步骤,建立深度学习算法模型,将获取的已知故障的锂离子电池及采集的已知正常状态的锂离子电池的阻抗谱形成样本集,按样本抽样方法划分为训练集与测试集,将训练集作为输入用于算法模型训练过程,将测试集作为输入用于检验算法准确度,通过深度学习的图像识别算法或故障检测算法对电化学阻抗谱进行学习得到训练好的深度学习模型,实现正常电池阻抗谱与故障电池阻抗谱的辨识;
故障检测步骤,实时采集获取待测锂离子电池的电化学阻抗谱,将其输入至训练好的深度学习模型中进行阻抗谱辨识,判断待测锂离子电池状态是正常电池或故障电池。
2.根据权利要求1所述的锂离子电池故障检测方法,其特征在于,所述电化学阻抗谱测试步骤采用优化阻抗测试点采样间隔及数量方法,通过减少低频段阻抗谱采样点并增大采样点间频率范围,放大阻抗谱激励信号倍率,以优化阻抗谱测试过程;
或,所述电化学阻抗谱测试步骤采用离散区间二进制序列脉冲信号在同一时刻进行频率叠加分析的方式优化阻抗谱测试过程。
3.根据权利要求1所述的锂离子电池故障检测方法,其特征在于,所述基于深度学习的阻抗谱分析步骤采用的深度学习的图像识别算法包括基于图像识别的卷积神经网络算法或故障检测算法,所述基于图像识别的卷积神经网络算法是指,将采集到的电化学阻抗谱曲线以图片形式进行输入,通过卷积神经网络算法实现图像特征识别,通过辨识低频段、中频段、高频段的图像特征及飘移,实现正常电池阻抗谱与故障电池阻抗谱的辨识;所述故障检测算法,是指将电化学阻抗谱数据以数据矩阵的形式输入,通过离群检测、分类检测算法,对各电化学阻抗谱的离散程度进行评估,从而筛选得到离群的电化学阻抗谱,即为故障电池。
4.根据权利要求3所述的锂离子电池故障检测方法,其特征在于,所述基于深度学习的阻抗谱分析步骤采用的深度学习的图像识别算法还包括基于时间序列的神经网络算法,将采集到的电化学阻抗谱以频率—阻抗阵列形式进行输入,通过时序神经网络、循环神经网络算法进行数值特征辨识,通过对比不同频率点下阻抗的偏离,实现正常电池阻抗谱与故障电池阻抗谱的辨识。
5.根据权利要求1至4之一所述的锂离子电池故障检测方法,其特征在于,所述电化学阻抗谱测试步骤获取的是已知明确故障类型的锂离子电池,所述基于深度学习的阻抗谱分析步骤是将获取的已知故障类型的锂离子电池及采集的已知正常状态的锂离子电池的阻抗谱曲线簇作为电化学阻抗谱数据集构建训练集与测试集,基于所述电化学阻抗谱数据集训练得到的神经网络模型实现明确故障类型的异常电池辨识。
6.根据权利要求1所述的锂离子电池故障检测方法,其特征在于,所述已知故障包括漏液、鼓胀、内短路、容量跳水故障、内阻异常增大、电解液干涸。
7.一种基于电化学阻抗谱测试的锂离子电池故障检测系统,其特征在于,包括依次连接的电化学阻抗谱测试模块、阻抗谱分析模块和故障检测模块,
所述电化学阻抗谱测试模块,通过动态工况测试、实车测试或人为制造缺陷故障的方式获取已知故障的锂离子电池,采用电化学阻抗谱快速采集板对正常状态的锂离子电池与已知故障的锂离子电池进行快速电化学阻抗谱测试,优化阻抗谱测试过程,提高阻抗谱绘制速度;
阻抗谱分析模块,建立深度学习算法模型,将获取的已知故障的锂离子电池及采集的已知正常状态的锂离子电池的阻抗谱形成样本集,按样本抽样方法划分为训练集与测试集,将训练集作为输入用于算法模型训练过程,将测试集作为输入用于检验算法准确度,通过深度学习算法的图像识别算法或故障检测算法对电化学阻抗谱进行学习得到训练好的深度学习模型,实现正常电池阻抗谱与故障电池阻抗谱的辨识;
故障检测模块,实时采集获取待测锂离子电池的电化学阻抗谱,将其输入至训练好的深度学习模型中进行阻抗谱辨识,判断待测锂离子电池状态是正常电池或故障电池。
8.根据权利要求7所述的锂离子电池故障检测系统,其特征在于,所述电化学阻抗谱测试模块采用优化阻抗测试点采样间隔及数量方法,通过减少低频段阻抗谱采样点并增大采样点间频率范围,放大阻抗谱激励信号倍率,以优化阻抗谱测试过程;
或,所述电化学阻抗谱测试模块采用离散区间二进制序列脉冲信号在同一时刻进行频率叠加分析的方式优化阻抗谱测试过程。
9.根据权利要求7所述的锂离子电池故障检测系统,其特征在于,所述阻抗谱分析模块采用的深度学习算法包括基于图像识别的卷积神经网络算法或故障检测算法,所述基于图像识别的卷积神经网络算法,指将采集到的电化学阻抗谱曲线以图片形式进行输入,通过卷积神经网络算法实现图像特征识别,通过辨识低频段、中频段、高频段的图像特征及飘移,实现正常电池阻抗谱与故障电池阻抗谱的辨识;所述故障检测算法,是指将电化学阻抗谱数据以数据矩阵的形式输入,通过离群检测、分类检测算法,对各电化学阻抗谱的离散程度进行评估,从而筛选得到离群的电化学阻抗谱,即为故障电池。
10.根据权利要求9所述的锂离子电池故障检测系统,其特征在于,所述阻抗谱分析模块采用的深度学习算法还包括基于时间序列的神经网络算法,将采集到的电化学阻抗谱以频率—阻抗阵列形式进行输入,通过时序神经网络、循环神经网络算法进行数值特征辨识,通过对比不同频率点下阻抗的偏离,实现正常电池阻抗谱与故障电池阻抗谱的辨识。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111470850.4A CN114325433A (zh) | 2021-12-03 | 2021-12-03 | 基于电化学阻抗谱测试的锂离子电池故障检测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111470850.4A CN114325433A (zh) | 2021-12-03 | 2021-12-03 | 基于电化学阻抗谱测试的锂离子电池故障检测方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114325433A true CN114325433A (zh) | 2022-04-12 |
Family
ID=81048623
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111470850.4A Pending CN114325433A (zh) | 2021-12-03 | 2021-12-03 | 基于电化学阻抗谱测试的锂离子电池故障检测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114325433A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115267541A (zh) * | 2022-07-29 | 2022-11-01 | 中国汽车工程研究院股份有限公司 | 一种基于对抗学习的新能源汽车电池异常检测方法 |
CN116819377A (zh) * | 2023-06-28 | 2023-09-29 | 上海炙云新能源科技有限公司 | 电池组异常识别诊断方法和系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015158198A1 (zh) * | 2014-04-17 | 2015-10-22 | 北京泰乐德信息技术有限公司 | 一种基于神经网络自学习的故障识别方法及系统 |
CN107607880A (zh) * | 2017-09-19 | 2018-01-19 | 哈尔滨工业大学 | 一种基于阻抗谱的锂离子电池内部健康特征提取方法 |
CN111624494A (zh) * | 2020-04-20 | 2020-09-04 | 北京航空航天大学 | 基于电化学参数的电池分析方法和系统 |
CN112684345A (zh) * | 2020-12-04 | 2021-04-20 | 浙江大学 | 基于主动容错控制的质子交换膜燃料电池健康控制方法 |
-
2021
- 2021-12-03 CN CN202111470850.4A patent/CN114325433A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015158198A1 (zh) * | 2014-04-17 | 2015-10-22 | 北京泰乐德信息技术有限公司 | 一种基于神经网络自学习的故障识别方法及系统 |
CN107607880A (zh) * | 2017-09-19 | 2018-01-19 | 哈尔滨工业大学 | 一种基于阻抗谱的锂离子电池内部健康特征提取方法 |
CN111624494A (zh) * | 2020-04-20 | 2020-09-04 | 北京航空航天大学 | 基于电化学参数的电池分析方法和系统 |
CN112684345A (zh) * | 2020-12-04 | 2021-04-20 | 浙江大学 | 基于主动容错控制的质子交换膜燃料电池健康控制方法 |
Non-Patent Citations (3)
Title |
---|
党翰斌 等: "基于CNN的质子交换膜燃料电池故障诊断", 电力电子技术, pages 52 - 55 * |
卢华歆: "基于快速电化学阻抗谱测量的在线质子交换膜燃料电池故障诊断", 中国优秀硕士学位论文全文数据库 工程科技辑, pages 11 - 12 * |
彭运赛 等: "基于改进CNN和信息融合的动力电池组故障诊断方法", 汽车工程, pages 1529 - 1536 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115267541A (zh) * | 2022-07-29 | 2022-11-01 | 中国汽车工程研究院股份有限公司 | 一种基于对抗学习的新能源汽车电池异常检测方法 |
CN116819377A (zh) * | 2023-06-28 | 2023-09-29 | 上海炙云新能源科技有限公司 | 电池组异常识别诊断方法和系统 |
CN116819377B (zh) * | 2023-06-28 | 2024-05-07 | 上海炙云新能源科技有限公司 | 电池组异常识别诊断方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109726452B (zh) | 一种基于阻抗谱的在线质子交换膜燃料电池故障诊断方法 | |
CN114325403B (zh) | 基于电化学阻抗谱测试的锂离子电池寿命检测方法和系统 | |
CN112092675B (zh) | 一种电池热失控预警方法、系统及服务器 | |
US11422194B2 (en) | Battery diagnosis apparatus and battery diagnosis method based on current pulse method | |
Guo et al. | A state-of-health estimation method of lithium-ion batteries based on multi-feature extracted from constant current charging curve | |
CN112834945B (zh) | 评估模型建立方法、电池健康状态评估方法及相关产品 | |
CN114559819B (zh) | 一种基于信号处理的电动汽车电池安全预警方法 | |
CN111426955A (zh) | 一种锂离子电池故障诊断方法 | |
CN112630660B (zh) | 一种基于支持向量机的电池故障识别方法 | |
CN114325433A (zh) | 基于电化学阻抗谱测试的锂离子电池故障检测方法和系统 | |
CN113406524B (zh) | 一种动力电池系统的不一致性故障诊断方法及系统 | |
CN111257753B (zh) | 一种电池系统故障诊断方法 | |
KR102574397B1 (ko) | 배터리모듈의 진단방법 및 그 장치 | |
CN114280479A (zh) | 一种基于电化学阻抗谱的退役电池快速分选方法 | |
CN115616428A (zh) | 一种“充—检”一体电动汽车电池状态检测与评价方法 | |
CN115267557B (zh) | 一种锂电池电解液泄露故障诊断方法、装置和电子设备 | |
CN116819377B (zh) | 电池组异常识别诊断方法和系统 | |
CN116027199A (zh) | 基于电化学模型参数辨识检测电芯全寿命内短路的方法 | |
CN115877205A (zh) | 一种伺服电机的故障智能诊断系统及其诊断方法 | |
CN117665604A (zh) | 电池采样异常识别方法、装置、存储介质及电子设备 | |
CN116572747A (zh) | 电池故障检测方法、装置、计算机设备和存储介质 | |
CN110208702B (zh) | 一种基于神经网络的锂电池超声信息特性提取方法 | |
Yang et al. | Multi-fault diagnosis for battery pack based on adaptive correlation sequence and sparse classification model | |
CN104499001B (zh) | 基于特征子空间优化相对矩阵的铝电解槽况诊断方法 | |
CN113391214A (zh) | 一种基于电池充电电压排名变化的电池微故障诊断方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |